Mkt-007 數據分析流程 (Data Analysis Process)

你是否常常接到很模糊的商業需求？像是主管說：「幫我看一下最近業績為什麼變差。」或產品團隊問：「新功能上線後，使用者反應怎麼樣？」在真實職場中，數據分析最困難的地方，往往不是「資料怎麼整理」或「圖表怎麼畫」，而是「這個問題到底要怎麼拆？」這篇文章用數據分析流程的 5 個步驟：釐清商業需求、設計研究方法、數據收集清理、數據分析建模、報告與建議，搭配實際例子說明數據分析師如何拆解議題，讓分析一開始就走在正確方向上，少走冤枉路。

數據分析流程有哪些步驟？

數據分析流程，是指從接到一個商業問題、到提出行動建議的完整分析步驟，常見拆成 5 步：釐清商業需求、設計研究方法、數據收集清理、數據分析建模、報告與建議。

在開始分析之前，我們可以先把數據分析想成一個「把模糊問題變成清楚答案」的過程。很多商業需求一開始都不是很明確，可能只是「業績變差了」、「產品賣不好」、「使用者反應不如預期」這類現象描述。如果直接開始拉資料、做圖表，很容易只是在整理數字，卻沒有真正回答問題。

因此，數據分析師需要有一套完整的拆解流程，從一開始釐清需求，到最後提出可執行的建議。這篇文章會用 5 個步驟，說明數據分析師如何拆解議題：

1. 釐清商業需求：確認真正要解決的問題，把模糊的商業現象，轉換成清楚的分析問題。

2. 設計研究方法：決定要怎麼回答問題，把問題轉成可驗證的分析設計，讓分析有明確方向。

3. 數據收集清理：確認資料是否可用，是確保資料真的能回答前面定義好的問題。

4. 數據分析建模：找出趨勢、差異與關係，找出與問題最相關的洞察。

5. 報告與建議：把分析結果轉成行動，讓分析不只停留在「發現問題」，而是能幫助團隊做出下一步決策。

簡單來說，數據分析不是從資料開始，而是從問題開始。好的分析流程，會先釐清需求，再設計方法、整理資料、進行分析，最後提出建議。只要按照這 5 個步驟思考，就能讓分析一開始更有方向，也能降低做到一半才發現方向錯誤的機率。

第一步 釐清商業需求：先確認真正要解決的問題

數據分析的第一步是先釐清商業需求。

很多時候，需求方提出來的問題，並不一定是真正的問題。

例如主管說：「最近廣告成效變差了，幫我看一下。」

如果分析師直接去看廣告點擊率、轉換率、ROAS，可能會得到一堆數字，但不一定能回答主管真正關心的事情。

因為「廣告成效變差」背後可能有很多不同意思：

• 是整體營收下降？
• 是廣告投放成本變高？
• 是點擊率變差？
• 是轉換率下降？
• 是新客變少？
• 是既有客戶回購變少？
• 是某個渠道、某個素材、某個受眾特別不好？

如果沒有先問清楚，分析師很容易做出一份看起來很完整，但其實沒有解決問題的報告。

這一步要問的問題

在釐清商業需求時，可以先問幾個問題：

• 商業問題是什麼？
• 目前觀察到的現象是什麼？
• 對方想達成的目標是什麼？
• 這次分析要支持什麼決策？
• 成功或失敗要用什麼指標判斷？
• 這個問題的時間範圍、產品範圍、用戶範圍是什麼？

這些問題看似基本，但非常重要。

因為分析的方向，會直接取決於一開始的問題定義。

舉例：廣告成效變差，要怎麼拆解？

假設業務端說：「最近廣告成效變差了。」

這時候可以先把問題拆成幾個層次：

• 成效變差，是指營收下降、轉換下降，還是獲客成本上升？
• 是所有渠道都變差，還是只有 Meta、Google、Instagram 其中一個渠道變差？
• 是所有產品都變差，還是某個產品線特別明顯？
• 是新客的轉換變差，還是舊客的回購變差？
• 是最近一週突然變差，還是過去幾個月逐漸變差？
• 最後要決定的是調整預算、優化素材，還是重新設計投放策略？

當問題被拆得越清楚，後面的分析才會越有方向。

這一步的重點是：不要急著寫 SQL 或拉報表，先把問題問清楚。

進一步搭配 Research Brief 研究需求摘要書模板，可以幫助你把問題定義得更清楚喔！

第二步 設計研究方法：決定要怎麼回答問題

釐清商業需求之後，下一步是設計研究方法。

也就是把「我們想知道什麼」，轉換成「我們要怎麼知道」。

這一步之所以重要，是因為不同問題需要不同的分析方法。不是所有問題都適合直接看趨勢，也不是所有問題都需要做模型。

如果問題是「新版頁面是否比舊版頁面好」，可能適合做 A/B 測試。

如果問題是「使用者為什麼不願意使用某個功能」，可能需要搭配用戶訪談或問卷調查。

如果問題是「購買流程在哪個環節流失最多」，可能適合做漏斗分析。

如果問題是「哪些因素影響用戶留存」，可能需要做分群分析、留存分析，甚至進一步建立模型。

這一步要問的問題

在設計研究方法時，可以思考：

• 這個問題適合用量化分析，還是質化研究？
• 要觀察哪些指標？
• 要比較哪些群體？
• 要比較哪些時間區間？
• 是否需要實驗設計？
• 是否需要訪談、問卷或用戶回饋？
• 分析結果要如何判斷好壞？

常見分析方法

不同問題，可以搭配不同方法：

• A/B 測試：適合用來比較兩個版本的差異，例如新版頁面、不同文案、不同功能設計，哪一個表現比較好。
• 用戶訪談：適合用來理解動機、痛點與使用情境。當數據只能告訴你「發生了什麼」，訪談可以幫助你理解「為什麼會這樣」。
• 問卷調查：適合蒐集較大量使用者意見，例如滿意度、使用習慣、購買考量、品牌認知等。
• 漏斗分析：適合用來分析轉換流程，例如從進站、註冊、加入購物車、結帳到付款，每個環節有多少人流失。
• 分群分析：適合比較不同用戶、不同產品、不同市場、不同渠道的表現差異。

舉例：新功能上線後，是否真的有效？

假設產品團隊問：「新功能上線後，使用者反應怎麼樣？」

這個問題也還不夠清楚。可以進一步拆成：

• 使用者有沒有看到這個功能？
• 看到之後，有多少人點進去？
• 點進去之後，有多少人完成操作？
• 使用功能的人，後續留存率是否比較高？
• 新用戶和舊用戶的反應是否不同？
• 不同裝置、不同國家、不同使用情境下，表現是否不同？

接著再決定分析方法。

如果只是想知道「使用情況」，可以看功能曝光率、點擊率、完成率。

如果想知道「功能是否提升留存」，就要比較使用者後續留存表現，甚至要小心區分因果關係。

如果想知道「為什麼使用者不用」，光看數據可能不夠，還需要搭配訪談或問卷。

這一步的重點是：把問題轉換成可驗證的分析設計。

第三步 數據收集清理：確認資料是否能回答問題

有了分析設計之後，接下來才是資料收集與清理。

這一步看起來比較技術，但其實也很關鍵。

因為資料品質會直接影響分析品質，如果資料不完整、指標定義不一致、事件追蹤有問題，後面做再多圖表或模型，都可能得到錯誤結論。

這一步要確認的事情

在收集資料時，可以先檢查：

• 需要哪些資料？
• 資料來源在哪裡？
• 資料期間是否足夠？
• 指標定義是否一致？
• 是否有缺漏值？
• 是否有重複資料？
• 是否有異常值？
• 不同資料表是否可以正確串接？
• 是否有追蹤漏掉或紀錄錯誤的問題？

很多分析失準，不是因為分析方法錯，而是因為資料本身就有問題。

例如想分析「用戶是否完成購買」，但付款成功事件沒有被正確追蹤，那後面的購買轉換率就會失真。

或是想分析「某個功能使用率」，但功能曝光事件沒有被記錄，那你就無法知道使用率低，是因為大家沒有看到，還是看到後不想用。

常見資料來源

在實務中，數據分析師可能會使用很多不同資料來源，例如：

• GA 或網站分析資料
• App 使用行為資料
• 產品事件追蹤資料
• CRM 用戶資料
• 交易資料
• 廣告投放資料
• 問卷資料
• 客服紀錄
• 使用者訪談整理
• 外部市場資料

不同資料來源各有優缺點。

交易資料通常比較精準，但只能看到購買結果。產品行為資料可以看到使用流程，但需要確認事件定義是否正確。問卷和訪談可以補足動機與感受，但可能有樣本偏誤。

因此，資料收集不是「有資料就拿來用」，而是要確認這些資料是否真的能回答原本的問題。

舉例：分析使用者為什麼註冊後沒有購買

假設問題是：「很多使用者註冊後沒有完成購買，原因是什麼？」

這時候可能需要整理以下資料：

• 使用者註冊時間
• 使用者來源渠道
• 首次瀏覽商品時間
• 瀏覽過哪些商品
• 是否加入購物車
• 是否進入結帳頁
• 是否完成付款
• 付款失敗原因
• 使用裝置類型
• 是否使用優惠券
• 是否曾經收到行銷訊息

接著再檢查資料是否完整。

例如，如果沒有記錄「付款失敗原因」，可能只能看到很多人卡在付款階段，卻不知道是信用卡失敗、系統錯誤，還是物流選項不符合需求。

或是如果沒有記錄「商品瀏覽資料」，可能無法判斷使用者是沒有找到想買的商品，還是有興趣但價格太高。

這一步的重點是：資料要能回答商業問題，不是手邊有什麼就拿起來分析。

第四步 數據分析建模：從數字中找出趨勢、差異與關係

當資料整理完成後，才進入真正的分析階段。

很多人以為分析是把所有數字都列出來，圖表越多越好。

但好的分析，應該要圍繞一開始的問題，找出有意義的趨勢、差異與關係，否則就很容易迷失在眾多資料裡。

分析時要回答的問題

進入分析階段後，可以思考：

• 整體走勢如何？
• 哪個指標變好了？
• 哪個指標變差了？
• 變化是短期波動，還是長期趨勢？
• 哪個族群變化最明顯？
• 哪個產品、渠道、地區或裝置差異最大？
• 哪些因素可能與結果有關？
• 這個差異是否具有商業意義？
• 這個差異是否具有統計意義？

分析不是只看平均值，而是要進一步拆解。

因為很多問題藏在平均值之下。

例如整體轉換率沒有變，但新客轉換率下降、舊客轉換率上升，這兩者互相抵銷後，平均值看起來可能沒有變化。

又或者整體營收成長，但其實只靠少數高單價客戶支撐，一般用戶的購買頻率已經下降。

如果只看總體數字，就可能錯過真正的問題。

常見分析方向

• 趨勢分析：觀察指標隨時間變化，判斷是短期波動還是長期趨勢。例如月營收、日活躍用戶、轉換率、留存率是否持續下降。
• 分群分析：比較不同群體的差異。例如新客與舊客、不同年齡層、不同市場、不同渠道、不同產品線的表現。
• 漏斗分析：拆解使用者流程，找出流失最嚴重的環節。例如從曝光、點擊、註冊、試用、購買，每一步的轉換率是多少。
• 關聯分析：觀察不同變數之間是否有關係。例如使用頻率高的用戶，是否更容易續訂；客服投訴多的用戶，是否更容易流失。
• 顯著性檢定：判斷不同群體之間的差異，是否可能只是隨機波動。例如新版頁面轉換率比舊版高，但這個差異是否足夠可靠。
• 迴歸分析或因果分析：適合用來觀察多個因素與結果之間的關係，例如哪些因素會影響轉換率、留存率或銷售表現。

舉例：廣告成效下降，要怎麼分析？

假設前面已經釐清，問題是：「最近廣告帶來的訂單數下降，想知道原因並決定是否調整預算。」

這時候可以拆成幾個層次：

第一層：先拆整體表現

• 曝光量是否下降？
• 點擊率是否下降？
• 到站人數是否下降？
• 加入購物車率是否下降？
• 結帳率是否下降？
• 客單價是否下降？

這可以幫助我們判斷問題發生在哪一段。

第二層：再拆渠道

• Google Ads 是否下降？
• Meta Ads 是否下降？
• Instagram 是否下降？
• 自然流量是否也同步下降？

如果只有某個渠道下降，問題可能是渠道投放、素材疲乏或受眾設定。

如果所有渠道都下降，可能是產品需求、價格、季節性或市場環境變化。

第三層：再拆用戶與產品

• 新客下降還是舊客下降？
• 哪個產品線下降最明顯？
• 哪個地區下降最多？
• 哪種裝置轉換率下降最多？
• 哪個受眾族群反應變差？

透過這樣的拆解，分析師才能從「廣告變差」這種模糊說法，逐步找到比較具體的原因。

這一步的重點是：不只描述數字，更要找出數字背後的變化與可能原因。

第五步 報告與建議：把分析結果轉成行動

分析的最後一步，是報告與建議。

很多人會以為分析完成，就是把所有分析以及圖表放進簡報，越豐富越好。

但真正有價值的分析報告，是幫助對方濃縮精華，做出決策。

一份好的分析報告，應該要回答：

• 最重要的發現是什麼？
• 這些發現代表什麼意思？
• 對業務、產品或營運有什麼影響？
• 接下來建議怎麼做？
• 哪些地方還需要持續觀察？
• 這次分析有哪些限制？

報告要包含哪些內容？

一份完整的分析報告，通常可以包含以下幾個部分：

• 背景與問題：先說明這次分析要解決什麼問題，以及為什麼這個問題重要。
• 分析方法：簡單說明使用哪些資料、觀察哪些指標、比較哪些群體或時間區間。
• 核心發現：整理最重要的 2–3 個結論，不要把所有數字都塞進去。
• 數據證據：用圖表或表格支持你的發現，讓業務單位知道結論不是憑感覺。
• 商業解讀：說明這些數字對實際業務代表什麼意思。
• 行動建議：提出下一步可以做什麼，例如調整預算、優化流程、修改產品設計、重新測試方案。
• 風險與限制：說明資料限制、樣本限制或尚未驗證的假設，避免過度解讀。

舉例：新功能使用率低，洞察要怎麼寫？

假設分析結果發現，新功能上線後使用率只有 8%。

如果報告只寫：

「新功能使用率為 8%。」

這樣其實幫助有限。

因為讀者會不知道：8% 是高還是低？為什麼低？下一步要怎麼做？

更好的寫法是：

「新功能上線後，整體使用率僅有 8%，明顯低於過往新功能上線時的平均表現。進一步拆解使用者行為後發現，其實有 95% 的使用者都曾經看見這個新功能，代表問題不太像是『功能入口曝光不足』。同時，觀察上線後 1 個月的數據，並扣除剛上線時可能出現的新奇效應後，仍有 70% 的使用者在第一次進入功能頁面後沒有完成操作。從事件埋點來看，多數使用者會反覆點擊 2–3 次『i』的說明 icon，顯示使用者可能不清楚這個功能的用途，也不知道下一步該如何操作。因此，問題可能不在於使用者沒有發現功能，而是在於操作流程不夠直覺、引導資訊不足，導致使用者進入頁面後無法順利完成任務。建議優先優化功能說明、操作引導與關鍵步驟提示，再持續觀察功能使用率、首次完成率與操作中斷率是否改善。」

這樣的寫法，就不只是呈現數字，而是把數字轉換成判斷與行動。

好的建議要具體可執行

分析報告最常見的問題，是建議太抽象，或是不切實際。

例如：

• 建議提升使用率
• 建議優化廣告成效
• 建議改善轉換率
• 建議加強用戶溝通

這些都太籠統，因為它們沒有說清楚要怎麼做。

比較好的建議會是：

• 將新功能入口移到首頁上方，並測試點擊率是否提升
• 針對流失最高的結帳步驟，新增付款說明或是除錯提示
• 對註冊後 3 天內未完成購買的用戶，設計再行銷訊息或優惠測試
• 針對高流失族群進行 5–10 位用戶訪談，補足數據無法解釋的原因

好的建議，應該要讓對方知道下一步可以做什麼，而且能夠被驗證。

這一步的重點是：分析的終點，是把數據洞察轉化為具體可行的行動。

結語：好的分析，幫團隊找到問題方向、指引下一步行動

回到一開始的問題：數據分析師到底在做什麼？

如果只看表面，數據分析師好像是在整理資料、製作報表、分析數字。

但更深一層來看，數據分析師真正的價值，是幫助團隊把模糊的問題變清楚。

當大家覺得「業績好像變差」、「用戶好像不喜歡」、「產品好像沒有成效」，找不到方向時，分析師要做的事情，就是把這些感覺拆解成可以驗證的問題。

當問題被拆清楚，資料才知道要往哪裡找，分析才知道要怎麼做，建議才有機會真正被採用。

如果只是整理資料、製作報表，分析很容易停留在「數字呈現」的層次，缺乏真正的商業洞察。這類工作未來也更容易被 AI 自動化取代，因為 AI 可以快速整理資料、產出圖表，甚至生成初步解讀。

一個優秀的分析師，能夠把模糊的商業問題，轉換成清楚的分析架構，並提出具體可行的行動建議。這種結合問題拆解、商業判斷與行動轉化的能力，正是數據分析師難以被取代的核心價值。

常見問題 FAQ

數據分析流程有哪些步驟？

數據分析流程常見分成 5 個步驟：釐清商業需求、設計研究方法、數據收集清理、數據分析建模、報告與建議。順序是從問題開始，不是從資料開始：先確定要回答什麼問題，再決定方法和資料，最後把分析結果轉成可以執行的建議。

數據分析師的工作內容是什麼？

數據分析師的工作，是把模糊的商業問題拆成可以驗證的分析問題，再用資料找出原因、提出行動建議。整理資料、做報表、畫圖表只是過程，真正的產出是幫團隊做決策，例如要不要調整廣告預算、先優化哪一個流程。

接到模糊的分析需求，第一步該做什麼？

先釐清商業需求，不要急著寫 SQL 或拉報表。可以先問：目前觀察到什麼現象、這次分析要支持什麼決策、用什麼指標判斷成敗、時間和用戶範圍是什麼。問清楚之後，再用 Research Brief 把問題寫下來，和需求方確認一次。

什麼時候用量化分析，什麼時候用質化研究？

想知道「發生了什麼、有多少人」用量化分析，想知道「為什麼」用質化研究。漏斗分析、A/B 測試可以看出使用者在哪一步流失、哪個版本比較好，但流失的原因常常要靠用戶訪談或問卷補足，兩者搭配效果最好。

資料清理要檢查哪些事情？

資料清理主要檢查缺漏值、重複資料、異常值、指標定義是否一致、資料表能否正確串接，以及事件追蹤有沒有漏記。很多分析結論出錯，問題不在方法而在資料本身，例如付款成功事件沒有被追蹤，購買轉換率就會失真。

為什麼數據分析不能只看平均值？

因為很多問題藏在平均值底下。整體轉換率沒變，可能是新客轉換率下降、舊客轉換率上升互相抵銷；整體營收成長，也可能只靠少數高單價客戶撐著。把數字依族群、渠道、產品拆開看，才找得到真正的變化。

數據分析報告應該包含哪些內容？

一份數據分析報告通常包含 7 個部分：背景與問題、分析方法、核心發現、數據證據、商業解讀、行動建議、風險與限制。核心發現只挑最重要的 2–3 個，建議要具體到能執行、能驗證，例如「針對流失最高的結帳步驟，新增付款說明或除錯提示」。